# debtDefaultResearch
对截止至2017年7月17日的债券违约事件进行梳理归因,并寻找宏观流动性影响因素,组成数据集。运用Lasso回归进行特征提取后,输入带L2惩罚项LR、SVM、NN、GBDT、RF等机器学习模型进行违约预测,得出GBDT预测效果最好以及特征工程对线性模型预测效果具有重要性的结论。
没有合适的资源?快使用搜索试试~ 我知道了~
基于Lasso特征提取和多种机器学习模型的债券违约预测研究:GBDT性能最佳与特征工程的重要性
共11个文件
py:9个
pdf:1个
md:1个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 63 浏览量
2024-05-07
22:58:24
上传
评论
收藏 3.11MB ZIP 举报
温馨提示
对截止至2017年7月17日的债券违约事件进行梳理归因,并寻找宏观流动性影响因素,组成数据集。运用Lasso回归进行特征提取后,输入带L2惩罚项LR、SVM、NN、GBDT、RF等机器学习模型进行违约预测,得出GBDT预测效果最好以及特征工程对线性模型预测效果具有重要性的结论。 数据收集与整理: 收集2017年7月17日之前的所有债券违约事件数据,包括违约债券的基本信息、违约原因、违约金额、发行人信息等。 同时,收集相关的宏观流动性数据,如货币供应量(M2)、国内生产总值(GDP)、利率水平、物价指数等,这些都可能对债券违约产生影响。 将这些数据整理成结构化的数据集,方便后续分析。 数据清洗与预处理: 对数据进行清洗,去除重复、错误或缺失值过多的数据。 对数据进行预处理,如标准化、归一化或编码分类变量等,以便后续模型训练。 特征工程与归因分析: 进行特征工程,从原始数据中提取出有意义的特征,如债券的信用评级、发行人的财务状况、行业特征、宏观流动性指标等。
资源推荐
资源详情
资源评论
收起资源包目录
基于Lasso特征提取和多种机器学习模型的债券违约预测研究:GBDT性能最佳与特征工程的重要性.zip (11个子文件)
content
descriptiveStatisticFullSample.py 3KB
lassoRegression.py 2KB
getKMVdata.py 3KB
dataProcessingPackage.py 11KB
descriptiveStatisticDefaultSample.py 2KB
CoVaR
quantileRegression.py 632B
CoVaR.py 7KB
generateFullSample.py 12KB
胡蝶的债券违约研究报告.pdf 3.47MB
modelSelection.py 7KB
README.md 378B
共 11 条
- 1
资源评论
生瓜蛋子
- 粉丝: 3825
- 资源: 5370
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功